【目的】为及时发现海上风电机组发电机轴承的故障,提出一种基于蜣螂优化(Dung Beetle Optimizer,DBO)算法和极端梯度提升树(eXtreme Gradient Boosting,XGBoost)模型的DBO-XGBoost发电机轴承温度预测模型,并结合指数加权移动平均值(Exp...【目的】为及时发现海上风电机组发电机轴承的故障,提出一种基于蜣螂优化(Dung Beetle Optimizer,DBO)算法和极端梯度提升树(eXtreme Gradient Boosting,XGBoost)模型的DBO-XGBoost发电机轴承温度预测模型,并结合指数加权移动平均值(Exponentially Weighted Moving Average,EWMA)控制图实现发电机轴承的故障预测。【方法】首先,通过最大互信息系数(Maximal Information Coefficient,MIC)选取数据采集与监视控制(Supervisory Control And Data Acquisition,SCADA)系统中能准确表征发电机轴承状态的关键特征,并将其输入DBO-XGBoost模型中,对正常工况下的发电机轴承温度进行预测。其次,使用马氏距离(Mahalanobis Distance,MD)衡量真实值与预测值之间的偏差,并将MD序列输入基于EWMA控制图的变点检测算法中,以获取故障出现的变点,从而实现故障预测。最后,基于特征的重要性构建轴承故障模式知识图谱。【结果】结果表明,所提方法能对正常工况下发电机轴承的温度实现较为精准的预测,并能提前3天对故障进行预警,与通过设定单一阈值进行故障预警的方法相比,所提方法能更准确地检测到故障发生的时间。构建的轴承故障模式知识图谱为运维人员提供了可视化的运维决策支持。展开更多
文摘【目的】为及时发现海上风电机组发电机轴承的故障,提出一种基于蜣螂优化(Dung Beetle Optimizer,DBO)算法和极端梯度提升树(eXtreme Gradient Boosting,XGBoost)模型的DBO-XGBoost发电机轴承温度预测模型,并结合指数加权移动平均值(Exponentially Weighted Moving Average,EWMA)控制图实现发电机轴承的故障预测。【方法】首先,通过最大互信息系数(Maximal Information Coefficient,MIC)选取数据采集与监视控制(Supervisory Control And Data Acquisition,SCADA)系统中能准确表征发电机轴承状态的关键特征,并将其输入DBO-XGBoost模型中,对正常工况下的发电机轴承温度进行预测。其次,使用马氏距离(Mahalanobis Distance,MD)衡量真实值与预测值之间的偏差,并将MD序列输入基于EWMA控制图的变点检测算法中,以获取故障出现的变点,从而实现故障预测。最后,基于特征的重要性构建轴承故障模式知识图谱。【结果】结果表明,所提方法能对正常工况下发电机轴承的温度实现较为精准的预测,并能提前3天对故障进行预警,与通过设定单一阈值进行故障预警的方法相比,所提方法能更准确地检测到故障发生的时间。构建的轴承故障模式知识图谱为运维人员提供了可视化的运维决策支持。
